In der modernen Robotik gewinnen sprachbasierte KI-Modelle (Large Language Models, LLMs) zunehmend an Bedeutung für die Lösung komplexer Planungs- und Steuerungsaufgaben. Besonders bei der Bewegung mehrerer physikalisch gekoppelter Roboter – wie Planarmovern, die über flexible Kabel verbunden sind – kann die Einbindung von LLMs neue Perspektiven eröffnen:

Anstatt rein numerischer Optimierung sollen sprachlich und symbolisch beschriebene Bewegungsmuster (z. B. Zick-Zack, Spiegelung, Drehen, Folgen) genutzt werden, um Such- und Planungsalgorithmen heuristisch zu leiten.

Im Rahmen dieser Arbeit soll eine bestehende MuJoCo-Simulationsumgebung für Planarmover erweitert werden. Ziel ist die Integration einer LLM-Schnittstelle zur automatischen Generierung und Bewertung von Heuristiken, die das bestehende Planungsmodul intelligent unterstützen.

Zielsetzung:

Ziel der Arbeit ist die Entwicklung einer LLM-basierten Erweiterung eines vorhandenen Planungsmoduls, das die koordinierte Bewegung mehrerer kabelgekoppelter Planarmover in MuJoCo steuert.

Das LLM soll dabei:

• auf Basis der Systembeschreibung Bewegungsmuster und globale Strategien vorschlagen,
• daraus heuristische Funktionen oder Suchrichtlinien ableiten,
• und diese in das bestehende Multi-Agent Path Planning (MAPF)-Framework einspeisen.

Der Fokus liegt auf der Kombination symbolischer LLM-Ausgaben mit physikalisch realistischen Simulationen, um die Effizienz und Qualität der Bewegungsplanung zu erhöhen.

Mögliche Arbeitsinhalte:

• Einarbeitung in das bestehende Planungsmodul und die MuJoCo-Umgebung
• Recherche aktueller Arbeiten zur LLM-basierten Heuristikgenerierung und Bewegungsplanung
• Entwicklung eines Prompting-Frameworks zur systematischen Erzeugung von Bewegungsheuristiken durch das LLM
• Entwurf und Implementierung einer LLM-Schnittstelle (z. B. über GPT-API) zur Integration in das Planungsmodul
• Erweiterung der Planungslogik, um LLM-generierte Heuristiken oder Bewegungsmuster zu berücksichtigen
• Evaluierung anhand von Testfällen in der Simulation:
  • Suchzeit, Pfadlänge, Kollisionsfreiheit, Kabelspannungen, Musterähnlichkeit
• Vergleich zu konventionellen heuristischen Verfahren

Was Du mitbringen sollest:

• Programmierkenntnisse im Bereich Machine Learning insb. in Python
• Selbständige und Strukturierte Arbeitsweise
• Gute Dokumentation des Vorgehens
• Gute Kenntnisse deutscher Sprache

Sonstige Hinweise:

• Beginn ab sofort möglich
• Arbeitsumfang kann individuell und entsprechend der Interessen angepasst werden
• Bewerbungen bitte mit aktuellem Notenauszug und Lebenslauf

Kategorien:

Kontakt: